基于稀疏表示理论的图像质量提升方法研究

The key technologies of image quality improvement are the foundation of high level image processing. These are the basic subject direction driven by engineering demand. This issue aims at the common problems: difficult to present the object adaptively for the unknown disturbance, hardly reconstruct source images accurately for the ill-posed problems and very hard to evaluate image quality on account of non-universal problem. The key scientific issues are driven by the basic research, which cover adaptive sparse representation in the unknown disturbance environment, non-convex reconstruction under the condition of sparse constraint, and image quality evaluation model with no reference image. Firstly, sparse representation model should be adaptively constructed to earn image intrinsic characteristics. Secondly, in order to enhance the robustness and accuracy of image processing physically, the problem of non-convex reconstruction is continuing in-depth studies. Finally, the blind evaluation system is built in the absence of reference images, which would illustrate the image performance or quality. This project serves both new thought of universal scientific problems theoretically and new breakthrough of thorny issues in engineering application. These would also deepen the basic theory research and extension image processing field.

图像质量提升技术，是高层次图像处理研究的底层基础与技术支撑，是由工程需求驱动的基础学科方向。课题围绕图像质量提升的共性难点问题（干扰多而未知，难以自适应表示；图像提升逆问题求解的病态特性，难以精确重建；评价过程繁琐且不具有普适性，难以有效表现与评价），从突出基础研究凝练的关键科学问题（未知干扰环境下降质图像的自适应稀疏表示、多稀疏约束条件下非凸重建统一框架构造、无参考原始图像情况下图像质量提升评价模型构建）出发，以具有针对性和普适性的模型构建与自适应求解为导向，研究多源图像的多粒度/多层次自适应稀疏表示、基于视觉感知与多正则约束的非凸重建、基于影响因子估计模型的图像质量盲评价，旨在揭示降质图像的自适应刻画与稀疏表征原理，构建物理意义上逼近原始图像非凸重建的新思路，阐述图像质量的盲评价机制。以期在共性难点问题解决上有所突破，深化与扩展图像处理领域基础理论研究。

随着大数据时代的全面到来，以图像和视频为载体的视觉信息数据量日益增长。然而，数据丢失、噪声引入、运动模糊等图像质量问题，使理论研究和工程实践面临着巨大的挑战。课题围绕图像质量提升的共性难点问题，结合稀疏表示、压缩感知、统计相关分析等基础理论，围绕图像的稀疏表示、精确重建与高效评价等内容展开深入研究，其主要创新成果与创新点描述如下：.（1）从稀疏表示的起源，发展与具体算法分类的角度出发，以实际问题为核心，考虑自然图像与随机分布噪声重叠、复杂场景等实际问题，提出一种基于结构聚类和稀疏表示的图像质量提升算法，充分考虑图像自身的多形态结构属性，针对稀疏表示中字典学习与判别过程中高计算复杂度，以及易受噪声影响等问题，提出一种基于高斯混合模型与KSVD算法的要块组优化学习策略；针对模型参数经验设置问题，将参数的自适应设置与图像结构信息相结合，并通过计算变换系数的统计分布特性与广义高斯分布的拟合误差，来确定具体的图像质量提升模型；为了更有效地去除干扰信息，通过迭代伸缩算法来与非局部相似算法来交替更新变换稀疏与图像块组均分量，并利用迭代正则化算法来重建去噪后图像，从而提升图像质量，对于目标识别与跟踪、医学诊断辅助与航空航天等领域具有重要的技术支撑。.（2）项目资助下，将课题研究应用于实际。实验室环境下搭建无人机、智能车数据采集与获取设施与智慧物流软件平台，并通过路径规划与避障、三维图形构建等验证算法有效性与实时性。与企业开展“基于视频与大数据的智能安防装置”、“无人机协同的场景识别与三维构建”、““无人化”监控与工况安全预警平台研发”等研发项目，验证了项目研究具有重要的应用价值。